CN116723526A - 一种无人机辅助的网联车辆队列随机任务分配决策方法 - Google Patents

一种无人机辅助的网联车辆队列随机任务分配决策方法 Download PDF

Info

Publication number
CN116723526A
CN116723526A CN202310988738.2A CN202310988738A CN116723526A CN 116723526 A CN116723526 A CN 116723526A CN 202310988738 A CN202310988738 A CN 202310988738A CN 116723526 A CN116723526 A CN 116723526A
Authority
CN
China
Prior art keywords
vehicle
task
unmanned aerial
calculation
aerial vehicle
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202310988738.2A
Other languages
English (en)
Other versions
CN116723526B (zh
Inventor
周建山
刘诗怡
田大新
段续庭
曲桂娴
徐子璇
王铭乾
程隆博
李晨玮
张佩瑜
李嘉炜
邵晨
杨明希
韩旭
谢艾伶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202310988738.2A priority Critical patent/CN116723526B/zh
Publication of CN116723526A publication Critical patent/CN116723526A/zh
Application granted granted Critical
Publication of CN116723526B publication Critical patent/CN116723526B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W24/00Supervisory, monitoring or testing arrangements
    • H04W24/02Arrangements for optimising operational condition
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W28/00Network traffic management; Network resource management
    • H04W28/02Traffic management, e.g. flow control or congestion control
    • H04W28/08Load balancing or load distribution
    • H04W28/09Management thereof
    • H04W28/0925Management thereof using policies
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W4/00Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30Services specially adapted for particular environments, situations or purposes
    • H04W4/40Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请属于计算资源优化领域,提供了一种无人机辅助的网联车辆队列随机任务分配决策方法,包括以下步骤:输入系统参数;对系统中的车辆任务需求进行统计和分析;分析车辆队列和无人机的相对位置和传输质量;车辆队列产生的高于车辆计算期望的配额的计算任务,卸载在无人机进行计算,结合步骤3的车辆队列和无人机的相对位置和传输质量,分析协同任务计算的计算成本;对系统中的计算资源进行鲁棒优化分配,使得节点的负载均衡,同时最小化计算成本。本申请方法分析协同计算的传输成本,确定车辆计算期望的配额,实现计算任务的协同分配决策,适应车辆动态行为和任务需求的变化。

Description

一种无人机辅助的网联车辆队列随机任务分配决策方法
技术领域
本申请涉及一种组网的计算资源优化方法技术领域,特别涉及一种无人机辅助的网联车辆队列随机任务分配决策方法。
背景技术
本部分的陈述仅仅是提供了与本申请相关的背景技术信息,不必然构成在先技术。
随着汽车自动驾驶和车联网技术的不断发展,车辆之间的协作和通信变得越来越重要。在车联网系统中,车辆之间可以通过无线通信相互协作,由无人机辅助,共同处理一些复杂的计算任务,以提高系统的计算效率。然而,在实际操作中,车辆和无人机之间的协作和通信需要受到许多因素的影响,例如通信参数、车辆计算能耗、时间延迟系数、车辆队列计算能力上限等。因此,如何根据不同交通场景设定合适的通信参数,并根据车辆队列产生计算任务的参数和计算能力上限,确定车辆计算期望的配额,实现计算任务的协同分配决策,成为了当前车联网系统研究中的重要问题。
目前,针对无人机辅助的车辆队列计算任务分配问题,主要有两种解决方案:一种是根据车辆的速度、距离等因素进行静态分配,另一种是根据车辆的动态行为进行动态分配。静态分配方案存在的问题是,分配结果可能存在不公平性,导致某些车辆需要长时间等待任务,而其他车辆则可以迅速完成任务。动态分配方案存在的问题是,任务分配过程可能存在不稳定性和不可预测性,导致任务完成效率不高。
现有技术中,一些研究者提出了基于能耗和时间延迟系数的计算任务分配方法。这种方法通过考虑车辆的计算能耗和时间延迟系数,来确定车辆队列中每个车辆应该处理的计算任务数量。然而,这种方法只考虑了车辆自身的计算能耗和时间延迟系数,而没有考虑到车辆和无人机之间的通信成本。因此,这种方法在某些场景下可能会导致计算任务的分配不合理,从而影响车联网系统的整体计算效率。
因此,为了提高车辆队列计算任务分配的效率和公平性,需要提出一种协同分配决策办法,以更好地适应车辆动态行为和任务需求的变化。
发明内容
为了解决上述问题,本申请提出了一种无人机辅助的网联车辆队列随机任务分配决策方法,该方法通过设定通信参数集合,车辆计算的能耗和时间延迟系数和车辆队列计算能力上限,分析协同任务计算的传输成本,最终确定车辆计算期望的配额,实现计算任务的协同分配决策,好地适应车辆动态行为和任务需求的变化。
本申请提供了一种无人机辅助的网联车辆队列随机任务分配决策方法,确定车辆计算期望的配额,实现车辆队列随机任务的协同分配,包括以下步骤:
步骤S1、输入系统参数,包括通信参数集合,车辆计算的能耗和时间延迟系数/>和/>,车辆队列计算能力上限/>,车辆队列产生计算任务的参数/>和/>
步骤S2、对系统中的车辆任务需求进行统计和分析;
步骤S3、分析车辆队列和无人机的相对位置和传输质量;
步骤S4、车辆队列产生的高于车辆计算期望的配额的计算任务,卸载在无人机进行计算,结合步骤 3 的车辆队列和无人机的相对位置和传输质量,分析协同任务计算的计算成本/>
步骤S5、对系统中的计算资源进行鲁棒优化分配,使得节点的负载均衡,同时最小化计算成本;
优选地,系统由搭载云端计算资源的无人机、搭载车辆计算资源的车辆队列构成,无人机可以为车辆提供局部互联网服务。
优选地,车辆计算的能耗和时间延迟系数和/>的和为1。
优选地,所述步骤S2中,车辆随时间随机产生任务需求,该变量遵循以/>为均值,以/>为方差的正态分布,i为车辆编号,/>,N为车辆数量。
优选地,所述步骤 S3 中,分析车辆队列和无人机传输质量的具体方法为:
S301. 计算信道增益:
其中为第/>辆车辆第/>个时隙的三维位置、/>为无人机第/>个时隙的三维位置,/>为发射机和接收机在单位距离处的接收功率,/>表示向量的L2范数,/>,N为车辆数量;
S302. 计算车辆到无人机的任务传输速率:
其中为无人机和车辆上发射机的发射功率,/>为车辆的通信带宽,/>为传输过程中信道噪声的功率谱密度;
S303. 计算无人机到车辆的任务传输速率:
其中为下行链路的可用带宽,/>为传输过程中信道噪声的功率谱密度。
优选地,所述步骤 S4 中,分析协同任务计算的计算成本的具体方法为:
S401. 定义协同计算的任务量:
定义第时隙第/>辆车计算的任务量为/>,定义在无人机计算的任务量为:
其中为第/>时隙第/>辆车产生的任务量,i为车辆编号,/>,N为车辆数量;
S402. 计算协同任务计算的计算成本
(1)本地处理任务量需要消耗的能量和时间分别为:
其中为车辆/>的固定CPU周期频率,/>是常量;
(2)车辆计算的成本
其中和/>为车辆计算的能耗和时间延迟系数;
(3)无人机计算的时间延迟包括:
上行链路传输数据的时间
下行链路传输数据的时间
边缘云端的计算时间
其中参数(/>)表示输入的数据量大小和计算得到的结果数据量大小的比例,/>为无人机的计算频率,定义无人机计算的成本/>为以上三种时间延迟的代数和:
计算总计算成本:
其中,服从/>为均值、以/>为方差的随机分布函数/>
,/>
优选地,所述鲁棒优化分配是指采用不确定性推理技术和风险分析技术,通过对任务需求的不确定性和变化性进行分析,采用动态调整策略来优化计算资源分配。
优选地,所述步骤 S5 鲁棒优化分配的具体方法为:
为了确定每个时隙中车辆/>决定车辆计算承担的计算负载/>,定义以下优化公式:
其中,表示求得使计算总成本最大的随机分布函数/>,/>为所有车辆所有时隙期望本地处理的最大负载。
优选地,所述计算资源包括硬件资源和软件资源,具体包括CPU、GPU、内存、存储、网络。
与现有技术相比,本申请的有益效果为:
本申请通过设定不同的通信参数和车辆计算的能耗和时间延迟系数等参数,可以更好地适应不同的交通场景和计算任务的特点,降低车辆的能耗和传输成本,从而提高系统的运行效率。
本申请可以在资源有限的条件下实现资源的合理再分配,在实际应用中,车辆队列计算任务的数量和处理强度往往非常大,这会导致系统的压力和风险增加,本申请的方法可以通过优化任务分配方式,提高系统的可靠性和稳定性,降低系统的压力和风险。
本申请可以更好地适应不同的交通场景和计算任务的特点,提高系统的计算效率,实现节点之间的协作和通信,从而提高系统的运行效率和用户体验。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1是本申请一种实施例的应用场景示意图,
图2是本申请一种实施例的分配决策方法流程示意图,
图3是本申请一种实施例的计算卸载方法流程示意图。
具体实施方式:
下面结合附图与实施例对本申请作进一步说明。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在本公开中,术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,只是为了便于叙述本公开各部件或元件结构关系而确定的关系词,并非特指本公开中任一部件或元件,不能理解为对本公开的限制。
如图1所示,本申请提供了一种车辆队列计算任务的协同分配决策系统由搭载云端计算资源的无人机、搭载车辆计算资源的车辆队列构成,无人机可以为车辆提供局部互联网服务,车辆队列随时间随机产生任务需求,该变量遵循以/>为均值,以/>为方差的正态分布,该变量遵循以/>为均值,以/>为方差的正态分布,i为车辆编号,/>,N为车辆数量。
本申请采用协作通信技术和网络拓扑技术,使得节点之间的协作和通信能够更有效地实现,同时能够提高空地协同组网的计算效率。
如图2和图3所示,本申请还提供了基于上述系统的一种无人机辅助的网联车辆队列随机任务分配决策方法,所述方法确定车辆计算期望的配额,实现车辆队列随机任务的协同分配,包括以下步骤:
步骤S1、输入系统参数,包括通信参数集合,车辆计算的能耗和时间延迟系数/>和/>,车辆队列计算能力上限/>,车辆队列产生计算任务的参数/>和/>
步骤S2、对系统中的车辆任务需求进行统计和分析;
步骤S3、分析车辆队列和无人机的相对位置和传输质量;
步骤S4、车辆队列产生的高于车辆计算期望的配额的计算任务,卸载在无人机进行计算,结合步骤 3 的车辆队列和无人机的相对位置和传输质量,分析协同任务计算的计算成本/>
步骤S5、对系统中的计算资源进行鲁棒优化分配,使得节点的负载均衡,同时最小化计算成本。
本申请的方法在计算资源划分和分配过程中,采用分布式鲁棒算法进行处理,通过对节点任务需求的不确定性和变化性进行分析,采用不确定性推理技术和风险分析技术,使得任务需求的确定性和不确定性能够得到有效的平衡,采用动态调整策略来优化计算资源分配,使得计算资源能够更有效地分配和利用。
具体地,车辆计算的能耗和时间延迟系数和/>的和为1。
具体地,所述步骤 S3 中,分析车辆队列和无人机传输质量的具体方法为:
S301. 计算信道增益:
其中为第/>辆车辆第/>个时隙的三维位置、/>为无人机第/>个时隙的三维位置,/>为发射机和接收机在单位距离处的接收功率,/>表示向量的L2范数,/>,/>为车辆数量;
S302. 计算车辆到无人机的任务传输速率:
其中为无人机和车辆上发射机的发射功率,/>为车辆的通信带宽,/>为传输过程中信道噪声的功率谱密度;
S303. 计算无人机到车辆的任务传输速率:
其中为下行链路的可用带宽,/>为传输过程中信道噪声的功率谱密度。
所述步骤S301中,为发射机和接收机在单位距离处的接收功率,所述单位距离为1米;/>、/>可由GPS或北斗定位技术确认,或者基于基站的无线定位技术,具体定位技术不做限制。
具体地,所述步骤 S4 中,分析协同任务计算的计算成本的具体方法为:
S401. 定义协同计算的任务量:
定义在第时隙第/>辆车计算的任务量为/>,定义在无人机计算的任务量为:
其中为第/>时隙第/>辆车产生的任务量,/>为车辆编号,/>,/>为车辆数量;
S402. 计算协同任务计算的计算成本
(1)本地处理任务量需要消耗的能量和时间分别为:
其中为车辆/>的固定CPU周期频率,/>是常量;
(2)车辆计算的成本
其中和/>为车辆计算的能耗和时间延迟系数;
(3)无人机计算的时间延迟包括:
上行链路传输数据的时间
下行链路传输数据的时间
边缘云端的计算时间
其中参数(/>)表示输入的数据量大小和计算得到的结果数据量大小的比例,/>为无人机的计算频率,定义无人机计算的成本/>为以上三种时间延迟的代数和:
计算总计算成本:
其中,服从/>为均值、以/>为方差的随机分布函数/>
,/>
具体地,所述鲁棒优化分配是指采用不确定性推理技术和风险分析技术,通过对任务需求的不确定性和变化性进行分析,采用动态调整策略来优化计算资源分配。
具体地,所述步骤 S5 鲁棒优化分配的具体方法为:
为了确定每个时隙中车辆/>决定车辆计算承担的计算负载/>,定义以下优化公式:
其中,表示求得使计算总成本最大的随机分布函数/>,/>为所有车辆所有时隙期望本地处理的最大负载。
第一条约束表示所有所有车辆所有时隙的计算配额之和小于期望本地处理的最大负载,第二条约束表示车辆所有时隙的计算配额为非负,通过用分布式鲁棒算法求解,得到车辆计算期望的配额,第三条约束表示车辆队列车辆的计算需求非负,车辆计算期望的配额/>即为通过上述公式计算的/>集合。
所述计算资源包括硬件资源和软件资源,具体包括CPU、GPU、内存、存储、网络。
以上仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
上述虽然结合附图对本申请的具体实施方式进行了描述,但并非对本申请保护范围的限制,所属领域技术人员应该明白,在本申请的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本申请的保护范围以内。

Claims (9)

1.一种无人机辅助的网联车辆队列随机任务分配决策方法,其特征在于,确定车辆计算期望的配额,实现车辆队列随机任务的协同分配,包括以下步骤:
步骤S1、输入系统参数,包括通信参数集合,车辆计算的能耗和时间延迟系数/>和/>,车辆队列计算能力上限/>,车辆队列产生计算任务的参数/>和/>
步骤S2、对系统中的车辆任务需求进行统计和分析;
步骤S3、分析车辆队列和无人机的相对位置和传输质量;
步骤S4、车辆队列产生的高于车辆计算期望的配额的计算任务,卸载在无人机进行计算,结合步骤 3 的车辆队列和无人机的相对位置和传输质量,分析协同任务计算的计算成本/>
步骤S5、对系统中的计算资源进行鲁棒优化分配,使得节点的负载均衡,同时最小化计算成本。
2. 根据权利要求 1 所述的无人机辅助的网联车辆队列随机任务分配决策方法,其特征在于:
系统由搭载云端计算资源的无人机、搭载车辆计算资源的车辆队列构成,无人机可以为车辆提供局部互联网服务。
3. 根据权利要求 1 所述的无人机辅助的网联车辆队列随机任务分配决策方法,其特征在于:
车辆计算的能耗和时间延迟系数和/>的和为1。
4. 根据权利要求 1 所述的无人机辅助的网联车辆队列随机任务分配决策方法,其特征在于:
所述步骤S2中,车辆随时间随机产生任务需求,该变量遵循以/>为均值,以/>为方差的正态分布,/>为车辆编号,/>,/>为车辆数量。
5. 根据权利要求 1 所述的无人机辅助的网联车辆队列随机任务分配决策方法,其特征在于:
所述步骤 S3 中,分析车辆队列和无人机传输质量的具体方法为:
S301. 计算信道增益:
其中为第/>辆车辆第/>个时隙的三维位置、/>为无人机第/>个时隙的三维位置,/>为发射机和接收机在单位距离处的接收功率,/>表示向量的L2范数,/>,/>为车辆数量;
S302. 计算车辆到无人机的任务传输速率:
其中为无人机和车辆上发射机的发射功率,/>为车辆的通信带宽,/>为传输过程中信道噪声的功率谱密度;
S303. 计算无人机到车辆的任务传输速率:
其中为下行链路的可用带宽,/>为传输过程中信道噪声的功率谱密度。
6. 根据权利要求 5 所述的无人机辅助的网联车辆队列随机任务分配决策方法,其特征在于:
所述步骤 S4 中,分析协同任务计算的计算成本的具体方法为:
S401. 定义协同计算的任务量:
定义在第时隙第/>辆车计算的任务量为/>,定义在无人机计算的任务量为:
其中为第/>时隙第/>辆车产生的任务量,/>为车辆编号,/>,/>为车辆数量;
S402. 计算协同任务计算的计算成本
(1)本地处理任务量需要消耗的能量和时间分别为:
其中为车辆/>的固定CPU周期频率,/>是常量;
(2)车辆计算的成本
其中和/>为车辆计算的能耗和时间延迟系数;
(3)无人机计算的时间延迟包括:
上行链路传输数据的时间
下行链路传输数据的时间
边缘云端的计算时间
其中参数(/>)表示输入的数据量大小和计算得到的结果数据量大小的比例,为无人机的计算频率,定义无人机计算的成本/>为以上三种时间延迟的代数和:
计算总计算成本:
其中,服从/>为均值、以/>为方差的随机分布函数/>
,/>
7.根据权利要求 6 所述的无人机辅助的网联车辆队列随机任务分配决策方法,其特征在于:
所述鲁棒优化分配是指采用不确定性推理技术和风险分析技术,通过对任务需求的不确定性和变化性进行分析,采用动态调整策略来优化计算资源分配。
8. 根据权利要求 7 所述的无人机辅助的网联车辆队列随机任务分配决策方法,其特征在于,所述步骤 S5 鲁棒优化分配的具体方法为:
为了确定每个时隙中车辆/>决定车辆计算承担的计算负载/>,定义以下优化公式:
其中,表示求得使计算总成本最大的随机分布函数/>,/>为所有车辆所有时隙期望本地处理的最大负载。
9. 根据权利要求 1 所述的无人机辅助的网联车辆队列随机任务分配决策方法,其特征在于,所述计算资源包括硬件资源和软件资源,具体包括CPU、GPU、内存、存储、网络。
CN202310988738.2A 2023-08-08 2023-08-08 一种无人机辅助的网联车辆队列随机任务分配决策方法 Active CN116723526B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310988738.2A CN116723526B (zh) 2023-08-08 2023-08-08 一种无人机辅助的网联车辆队列随机任务分配决策方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310988738.2A CN116723526B (zh) 2023-08-08 2023-08-08 一种无人机辅助的网联车辆队列随机任务分配决策方法

Publications (2)

Publication Number Publication Date
CN116723526A true CN116723526A (zh) 2023-09-08
CN116723526B CN116723526B (zh) 2023-10-24

Family

ID=87866435

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310988738.2A Active CN116723526B (zh) 2023-08-08 2023-08-08 一种无人机辅助的网联车辆队列随机任务分配决策方法

Country Status (1)

Country Link
CN (1) CN116723526B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111464976A (zh) * 2020-04-21 2020-07-28 电子科技大学 一种基于车队的车辆任务卸载决策和总体资源分配方法
CN114697333A (zh) * 2022-03-22 2022-07-01 重庆邮电大学 一种能量队列均衡的边缘计算方法
WO2022257348A1 (zh) * 2021-06-08 2022-12-15 重庆邮电大学 一种不确定网络环境中的任务卸载和资源分配方法
CN115629873A (zh) * 2022-10-17 2023-01-20 湖南大学 车路云协同任务卸载与任务队列稳定性控制系统和方法
CN116056151A (zh) * 2023-02-03 2023-05-02 南京信息工程大学 一种车联网中任务卸载和资源分配联合优化方法
CN116261119A (zh) * 2023-02-14 2023-06-13 西安电子科技大学广州研究院 一种车载环境下智能协同任务计算和按需资源分配方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111464976A (zh) * 2020-04-21 2020-07-28 电子科技大学 一种基于车队的车辆任务卸载决策和总体资源分配方法
WO2022257348A1 (zh) * 2021-06-08 2022-12-15 重庆邮电大学 一种不确定网络环境中的任务卸载和资源分配方法
CN114697333A (zh) * 2022-03-22 2022-07-01 重庆邮电大学 一种能量队列均衡的边缘计算方法
CN115629873A (zh) * 2022-10-17 2023-01-20 湖南大学 车路云协同任务卸载与任务队列稳定性控制系统和方法
CN116056151A (zh) * 2023-02-03 2023-05-02 南京信息工程大学 一种车联网中任务卸载和资源分配联合优化方法
CN116261119A (zh) * 2023-02-14 2023-06-13 西安电子科技大学广州研究院 一种车载环境下智能协同任务计算和按需资源分配方法

Also Published As

Publication number Publication date
CN116723526B (zh) 2023-10-24

Similar Documents

Publication Publication Date Title
CN111786839B (zh) 一种车载边缘计算网络中能效优化的计算卸载方法及系统
Zhang et al. Dynamic task offloading and resource allocation for mobile-edge computing in dense cloud RAN
Yang et al. Efficient mobility-aware task offloading for vehicular edge computing networks
Ren et al. Collaborative cloud and edge computing for latency minimization
CN110381445B (zh) 一种基于无人机基站系统的资源分配与飞行轨迹优化方法
Kamoun et al. Joint resource allocation and offloading strategies in cloud enabled cellular networks
CN110109745B (zh) 一种针对边缘计算环境的任务协同在线调度方法
CN113904947A (zh) 车路协同分布式边缘计算任务卸载与资源分配方法和系统
CN113282352B (zh) 基于多无人机协同辅助边缘计算的节能卸载方法
CN111629443B (zh) 用于超5g车联网中的动态频谱切片框架的优化方法及系统
Zhao et al. Online distributed optimization for energy-efficient computation offloading in air-ground integrated networks
CN114630397B (zh) 一种基于时隙划分的无人机接入选择方法
Wei et al. Optimal offloading in fog computing systems with non-orthogonal multiple access
He et al. Strategy for task offloading of multi-user and multi-server based on cost optimization in mobile edge computing environment
CN116916386A (zh) 一种考虑用户竞争和负载的大模型辅助边缘任务卸载方法
Yan et al. Data offloading enabled by heterogeneous UAVs for IoT applications under uncertain environments
Diao et al. Joint user clustering, resource allocation and power control for NOMA-based mobile edge computing
He et al. An Offloading Scheduling Strategy with Minimized Power Overhead for Internet of Vehicles Based on Mobile Edge Computing.
CN116723526B (zh) 一种无人机辅助的网联车辆队列随机任务分配决策方法
Xia et al. Location-aware and delay-minimizing task offloading in vehicular edge computing networks
Paymard et al. Task scheduling based on priority and resource allocation in multi-user multi-task mobile edge computing system
CN110190982B (zh) 基于公平时间的非正交多址接入边缘计算时间和能耗优化
CN114928611B (zh) 一种基于IEEE802.11p协议的车联网节能计算卸载优化方法
Xuefei et al. Energy-efficient computation offloading and resource allocation in SWIPT-based MEC Networks
CN115134370A (zh) 一种多无人机辅助的移动边缘计算卸载方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant